Thời gian bán rã Ornstein–Uhlenbeck: hồi quy về trung bình trong giao dịch

Giả sử một chênh lệch đang cao hơn mức trung bình dài hạn ước lượng. Mô hình hồi quy về trung bình cho rằng chênh lệch kỳ vọng có xu hướng quay về mức đó theo thời gian. Thời gian bán rã trả lời một câu hỏi hẹp: theo mô hình đã khớp, mất bao lâu để độ lệch kỳ vọng giảm còn một nửa? Nếu độ lệch ban đầu là 100 điểm cơ bản, thời gian bán rã bốn kỳ có nghĩa là độ lệch kỳ vọng có điều kiện theo mô hình còn khoảng 50 điểm cơ bản sau bốn kỳ.

Phát biểu này nói về kỳ vọng trên nhiều đường đi có thể xảy ra. Chênh lệch thực tế có thể tăng trước, cắt qua mức trung bình rất nhanh hoặc ở xa mức đó lâu hơn nhiều. Thời gian bán rã còn phụ thuộc vào đơn vị quan sát: giá trị ước lượng từ dữ liệu ngày được tính bằng ngày, còn giá trị từ dữ liệu giờ được tính bằng giờ. Luôn nêu khoảng lấy mẫu và mô hình dùng để ước lượng tốc độ.

Một quá trình OU một nhân tố có thể viết như sau:

\[ dX_t = \kappa(\mu-X_t)\,dt + \sigma\,dW_t, \]

trong đó \(\mu\) là mức trung bình dài hạn, \(\kappa>0\) là tốc độ hồi quy về trung bình, \(\sigma\) xác định quy mô biến động ngẫu nhiên tức thời và \(W_t\) là chuyển động Brown. Thành phần trôi hướng về \(\mu\): khi ở trên mức trung bình, hướng có điều kiện là đi xuống; khi ở dưới, hướng đó là đi lên.

Độ lệch kỳ vọng có điều kiện tuân theo

\[ \mathbb{E}[X_{t+\tau}-\mu\mid X_t] = e^{-\kappa\tau}(X_t-\mu). \]

Đặt hệ số nhân bằng một nửa, \(e^{-\kappa h}=1/2\), rồi giải theo thời gian đã trôi qua:

\[ h_{1/2}=\frac{\ln 2}{\kappa}. \]

Thời gian bán rã không chứa \(\sigma\). Mức biến động ảnh hưởng đến độ phân tán của các đường đi riêng lẻ quanh kỳ vọng có điều kiện, còn \(\kappa\) quyết định tốc độ suy giảm kỳ vọng trong mô hình này. Phân tích chuyển động Brown của Uhlenbeck và Ornstein đặt nền tảng cổ điển cho quá trình ngẫu nhiên này; sau đó Vasicek dùng một quá trình kiểu OU để mô hình hóa lãi suất ngắn hạn.

Với các quan sát cách đều nhau một khoảng \(\Delta\), mẫu chính xác từ quá trình OU có dạng

\[ X_{t+\Delta}-\mu = \phi(X_t-\mu)+\eta_{t+\Delta}, \qquad \phi=e^{-\kappa\Delta}. \]

Trong mô hình OU vô hướng với \(\kappa>0\), ta có \(0<\phi<1\). Thời gian bán rã rời rạc tính theo số lần quan sát là

\[ h_{1/2}=\frac{\ln(1/2)}{\ln(\phi)}, \]

còn thời gian thực tế đã trôi qua bằng giá trị này nhân với \(\Delta\). Nếu hệ số AR(1) ước lượng bằng không hoặc âm, hay bằng ít nhất một, phép đổi đơn giản sang tốc độ OU dương này không áp dụng được. Có thể cần một mô hình động lực khác thay vì cố diễn giải theo OU.

Cũng có thể ước lượng phương trình tương tự dưới dạng sai phân, \(\Delta X_t=a+bX_{t-1}+\epsilon_t\). Với AR(1) dừng đồng thời thỏa \(0<1+b<1\), đặt \(\phi=1+b\), \(\kappa=-\ln(\phi)/\Delta\); mức trung bình dài hạn hàm ý là \(-a/b\) khi \(b\ne0\). Hãy giữ nguyên khoảng lấy mẫu khi chuyển đổi: đổi từ dữ liệu ngày sang tuần làm thay đổi thang thời gian của hệ số.

Thang thời gian do \(\Delta\) xác định. Với chuỗi cổ phiếu hằng ngày, một bước quan sát thường là một phiên giao dịch, không phải 24 giờ theo lịch; vì vậy không nên tự động gọi thời gian bán rã bốn quan sát là bốn ngày lịch nếu khoảng đó đi qua cuối tuần hoặc ngày nghỉ của thị trường. Nếu độ dài các thanh dữ liệu không đều, chẳng hạn lấy mẫu theo sự kiện hoặc khối lượng, phép đổi giả định khoảng cố định có thể không áp dụng. Hãy nêu tài sản, lịch lấy mẫu và đơn vị báo cáo là quan sát, phiên giao dịch hay thời gian đã trôi qua. Ngay cả bốn thanh 15 phút cũng chưa chắc tương ứng đúng một giờ trên đồng hồ nếu dữ liệu có khoảng trống.

Giả sử mô hình chênh lệch hằng ngày ước lượng \(\phi=0.84\) từ các quan sát ngày cách đều. Đây là con số giả định dùng để minh họa, không phải ước lượng hiện tại. Tốc độ hồi quy về trung bình mỗi ngày là \(\kappa=-\ln(0.84)\approx0.1744\), do đó

\[ h_{1/2}=\frac{\ln(0.5)}{\ln(0.84)}\approx3.98\text{ ngày giao dịch}. \]

Sau bốn ngày, khoảng lệch kỳ vọng còn \(0.84^4\approx0.498\) lần kích thước ban đầu. Vì thế, một độ lệch 100 điểm cơ bản ban đầu có kỳ vọng có điều kiện theo mô hình khoảng 49.8 điểm cơ bản sau bốn lần quan sát, chưa tính đến bất định của ước lượng hoặc thay đổi của quá trình.

Hình dưới tách riêng trung bình có điều kiện suy giảm trơn khỏi các đường đi mẫu tiếp tục dao động quanh nó. Đây là minh họa khái niệm, không phải lịch sử giá hay khẳng định rằng mọi chênh lệch đều đi theo trung bình của mô hình.

Trước hết, hãy xác định \(X_t\) là gì. Phần dư của hồi quy đồng liên kết, chênh lệch giá, chênh lệch log giá, tín hiệu đã điều chỉnh theo biến động và chênh lệch lợi suất là những chuỗi khác nhau, với đơn vị và động lực khác nhau. Kết quả đồng liên kết có thể hỗ trợ nhận định rằng một tổ hợp tuyến tính là dừng dưới các giả định nhất định, nhưng không chứng minh phần dư là quá trình OU có tham số cố định.

Hãy chọn tần suất lấy mẫu, cửa sổ hình thành, đặc tả mức trung bình và cấu trúc độ trễ trước khi ước lượng mức suy giảm. AR(1) thông thường có thể che khuất tự tương quan, biến động thay đổi, bước nhảy, vi cấu trúc thị trường trong ngày hoặc sự dịch chuyển chế độ. Kiểm tra phần dư và độ ổn định của tham số, đồng thời nêu rõ nếu ước lượng phụ thuộc vào một mẫu cụ thể. So sánh thực nghiệm của Chan, Karolyi, Longstaff và Sanders cho thấy bằng chứng về hồi quy về trung bình có thể yếu và phụ thuộc mô hình ngay cả với lãi suất ngắn hạn.

Với chênh lệch giao dịch, hãy ước lượng tham số bằng dữ liệu có sẵn tại từng ngày hình thành. Ước lượng lại chênh lệch hoặc mức trung bình bằng các quan sát tương lai gây ra thiên lệch nhìn trước. Nếu quan hệ được hiệu chỉnh lại theo thời gian, hãy mô tả lịch cập nhật và đánh giá toàn bộ quy trình trên dữ liệu về sau, thay vì xem hệ số đã khớp như thể đã biết chắc.

Phép biến đổi từ \(\phi\) sang thời gian bán rã là phi tuyến. Khi \(\phi\) tiến sát một từ phía dưới, \(\ln(\phi)\) tiến gần không và thời gian bán rã hàm ý tăng rất nhanh. Vì vậy, một thay đổi nhỏ trong hệ số ước lượng có thể làm thời gian được báo cáo thay đổi lớn. Chẳng hạn, các giá trị giả định \(\phi=0.80\), \(0.84\) và \(0.88\) lần lượt hàm ý khoảng 3.11, 3.98 và 5.42 quan sát cho mỗi thời gian bán rã.

Hãy báo cáo bất định của tốc độ hoặc thời gian bán rã đã biến đổi bằng phương pháp suy luận phù hợp với bộ ước lượng và mẫu. Nếu khoảng tin cậy của \(\phi\) chạm hoặc vượt qua một, khoảng đó có thể không ủng hộ thời gian bán rã OU dừng, hữu hạn và dương. Đừng chỉ báo cáo ước lượng điểm; cũng đừng chọn chuỗi có vẻ hồi quy nhanh nhất từ một cuộc tìm kiếm lớn mà bỏ qua tác động của việc lựa chọn. Sai số ước lượng gần nghiệm đơn vị có thể lấn át vẻ chính xác của một con số thời gian bán rã.

Để hình dung quy mô, giả sử khoảng tin cậy 95% giả định cho hệ số được lấy mẫu là \( [0.78,0.92] \). Trong miền OU dừng, thời gian bán rã sau biến đổi tăng theo \(\phi\), nên khoảng này tương ứng khoảng 2.79–8.31 quan sát, dù ước lượng điểm \(0.84\) cho kết quả 3.98. Đây là ví dụ minh họa, không phải kết quả thực nghiệm. Nếu khoảng hệ số chạm một, giới hạn trên của thời gian bán rã có thể không bị chặn; các giá trị bằng hoặc lớn hơn một nằm ngoài phép đổi dừng này. Đừng cắt bỏ các giá trị đó để tạo ra một khoảng hữu hạn. Phương pháp tính bất định cũng cần phản ánh sự phụ thuộc chuỗi thời gian và cách tạo chênh lệch được ước lượng; việc tìm kiếm qua nhiều cặp hoặc cửa sổ cần tính đến bước lựa chọn.

Thời gian bán rã theo dõi quy mô kỳ vọng có điều kiện của độ lệch. Thời điểm chạm ngưỡng hỏi khi nào đường đi ngẫu nhiên lần đầu đạt một mức, chẳng hạn mức trung bình ước lượng hoặc ngưỡng thoát lệnh. Phân phối thời gian chạm lần đầu phụ thuộc cả thành phần trôi lẫn biến động và có thể trải rộng đáng kể. Phân tích kinh doanh chênh lệch thống kê tối ưu của William Bertram xem xét thời lượng và lợi nhuận giao dịch bằng các phép tính thời gian chạm lần đầu; đây là đại lượng khác với công thức thời gian bán rã hàm mũ.

Một hệ thống giao dịch vẫn cần quy tắc vào và thoát lệnh rõ ràng, quy mô vị thế, giới hạn rủi ro và cách ứng phó khi quan hệ bị phá vỡ. Chênh lệch có thể đi xa hơn khỏi mức trung bình trước khi quay lại, hoặc không quay lại trong khoảng thời gian liên quan. Phép tính suy giảm kỳ vọng không cho biết mức dừng lỗ, xác suất đạt mục tiêu lợi nhuận trước khi chạm dừng lỗ hay lợi nhuận sau phí.

Trong giao dịch cặp, đối tượng được mô hình hóa thường là chênh lệch được cấu thành, chứ không phải từng tài sản riêng lẻ. Tỷ lệ phòng hộ, tiền tệ, điều chỉnh sự kiện doanh nghiệp, chi phí tài trợ, khả năng vay và chính sách tái cân bằng đều ảnh hưởng đến vị thế thực tế. Hãy kiểm tra liệu quan hệ dài hạn của chênh lệch còn hợp lý trong các cửa sổ xác thực theo thứ tự thời gian hay không; thời gian bán rã ước lượng ngắn không thể sửa một điểm gãy cấu trúc.

Hãy tính đến chênh lệch giá mua-bán, tác động thị trường, phí, chi phí tài trợ hoặc vay và thời gian cần thiết để khớp cả hai chân. Những chi phí này phát sinh dọc theo đường đi thực tế, chứ không chỉ trong khoảng thời gian bán rã kỳ vọng. Việc chọn trong nhiều cặp, cửa sổ nhìn lại và tần suất lấy mẫu cũng có thể khiến một ước lượng ngắn do may mắn trông đáng tin hơn thực tế. Kết quả thực nghiệm của Chan và cộng sự về mô hình lãi suất nhắc rằng dạng hồi quy về trung bình quen thuộc không đảm bảo có bằng chứng mạnh trong một bộ dữ liệu cụ thể.

Khung OU giúp tổ chức giả thuyết về động lực kỳ vọng của chênh lệch. Liệu quy tắc giao dịch có hiệu quả hay không là một câu hỏi thực nghiệm riêng, phụ thuộc vào độ ổn định, bất định, khâu khớp lệnh và kết quả ngoài mẫu.

Hãy nêu định nghĩa chuỗi, quy ước về giá hoặc lợi suất, khoảng lấy mẫu, cửa sổ dữ liệu, mức trung bình ước lượng, tham số tốc độ và tham số biến động. Nói rõ phương trình OU được thiết lập trong thời gian liên tục hay suy ra từ mô hình AR rời rạc. Cung cấp ước lượng hệ số và bất định, giải thích cách chuyển thành thời gian bán rã, đồng thời cho thấy độ nhạy với một cửa sổ hoặc khoảng lấy mẫu thay thế hợp lý.

Với ứng dụng giao dịch, hãy mô tả thêm cách tạo chênh lệch, cách cập nhật tham số, thông tin có sẵn tại từng thời điểm ra quyết định, cũng như cách xử lý chi phí giao dịch và trường hợp không hội tụ. Trình bày thời gian bán rã như một tóm tắt theo mô hình về mức suy giảm kỳ vọng, kèm theo bất định và đơn vị. Đừng dùng riêng nó làm tín hiệu vào lệnh, thoát lệnh hoặc tuyên bố sinh lời.

Bài báo năm 1930 về chuyển động Brown của Uhlenbeck và Ornstein đặt nền tảng cho quá trình ngẫu nhiên hồi quy về trung bình. Mô hình cấu trúc kỳ hạn của Vasicek90016-2) sử dụng quá trình lãi suất ngắn hạn kiểu OU. Chan, Karolyi, Longstaff và Sanders so sánh các đặc tả lãi suất ngắn hạn thời gian liên tục và cho thấy bằng chứng cùng độ phù hợp phụ thuộc vào lựa chọn mô hình. Bertram suy ra kết quả kinh doanh chênh lệch thống kê tối ưu bằng thời gian chạm lần đầu, qua đó cho thấy thời lượng giao dịch là đại lượng riêng. Xem thêm các hướng dẫn về đồng liên kết và tương quan trong giao dịch cặp, nghiệm đơn vị và hồi quy về trung bình và kiểm định đồng liên kết Engle–Granger.